TensorFlow2.0（12）：模型保存与序列化

 

注：本系列所有博客将持续更新并发布在github上，您可以通过github下载本系列所有文章笔记文件。

 

模型训练好之后，我们就要想办法将其持久化保存下来，不然关机或者程序退出后模型就不复存在了。本文介绍两种持久化保存模型的方法：

 

在介绍这两种方法之前，我们得先创建并训练好一个模型，还是以mnist手写数字识别数据集训练模型为例：

In [1]:

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers, optimizers, Sequential

In [2]:

model = Sequential([  # 创建模型
    layers.Dense(256, activation=tf.nn.relu),
    layers.Dense(128, activation=tf.nn.relu),
    layers.Dense(64, activation=tf.nn.relu),
    layers.Dense(32, activation=tf.nn.relu),
    layers.Dense(10)
    ]
)
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
x_train = x_train.reshape(60000, 784).astype('float32') / 255
x_test = x_test.reshape(10000, 784).astype('float32') / 255

model.compile(loss='sparse_categorical_crossentropy',
              optimizer=keras.optimizers.RMSprop())
history = model.fit(x_train, y_train,  # 进行简单的1次迭代训练
                    batch_size=64,
                    epochs=1)

 

Train on 60000 samples
60000/60000 [==============================] - 3s 46us/sample - loss: 2.3700

 

方法一：model.save()¶

 

通过模型自带的save()方法可以将模型保存到一个指定文件中，保存的内容包括：

• 模型的结构
• 模型的权重参数
• 通过compile()方法配置的模型训练参数
• 优化器及其状态

In [3]:

model.save('mymodels/mnist.h5')

 

使用save()方法保存后，在mymodels目录下就会有一个mnist.h5文件。需要使用模型时，通过keras.models.load_model()方法从文件中再次加载即可。

In [4]:

new_model = keras.models.load_model('mymodels/mnist.h5')

 

WARNING:tensorflow:Sequential models without an `input_shape` passed to the first layer cannot reload their optimizer state. As a result, your model isstarting with a freshly initialized optimizer.

 

新加载出来的new_model在结构、功能、参数各方面与model是一样的。

 

通过save()方法，也可以将模型保存为SavedModel 格式。SavedModel格式是TensorFlow所特有的一种序列化文件格式，其他编程语言实现的TensorFlow中同样支持：

In [5]:

model.save('mymodels/mnist_model', save_format='tf')  # 将模型保存为SaveModel格式

 

WARNING:tensorflow:From /home/chb/anaconda3/envs/study_python/lib/python3.7/site-packages/tensorflow_core/python/ops/resource_variable_ops.py:1781: calling BaseResourceVariable.__init__ (from tensorflow.python.ops.resource_variable_ops) with constraint is deprecated and will be removed in a future version.
Instructions for updating:
If using Keras pass *_constraint arguments to layers.
INFO:tensorflow:Assets written to: mymodels/mnist_model/assets

In [6]:

new_model = keras.models.load_model('mymodels/mnist_model')  # 加载模型

 

方法二：model.save_weights()¶

 

save()方法会保留模型的所有信息，但有时候，我们仅对部分信息感兴趣，例如仅对模型的权重参数感兴趣，那么就可以通过save_weights()方法进行保存。

In [14]:

model.save_weights('mymodels/mnits_weights')  # 保存模型权重信息

In [15]:

new_model = Sequential([  # 创建新的模型
    layers.Dense(256, activation=tf.nn.relu),
    layers.Dense(128, activation=tf.nn.relu),
    layers.Dense(64, activation=tf.nn.relu),
    layers.Dense(32, activation=tf.nn.relu),
    layers.Dense(10)
    ]
)
new_model.compile(loss='sparse_categorical_crossentropy',
              optimizer=keras.optimizers.RMSprop())
new_model.load_weights('mymodels/mnits_weights')  # 将保存好的权重信息加载的新的模型中

Out[15]:

<tensorflow.python.training.tracking.util.CheckpointLoadStatus at 0x7f49c42b87d0>